文摘
具有重要意义准确预测经济系统的运行,分析宏观调控政策的得失,评估手术质量的经济体系,并正确地制定未来的发展计划和战略。介绍了深层信念网络,吸引了太多的关注领域的深度学习近年来,进入系统经济运行的研究和管理。这种方法解决了培训与学习速度慢的问题,容易陷入局部最小值和BP人工神经网络的泛化研究不足的系统经济运行和管理。消费者价格指数(cpi)和F的进出口总额省为研究对象,实验证明了DBN系统经济运行和管理中更好的应用程序比BP神经网络和向量自回归分析。本文分析和比较了建模性能的DBN, BP神经网络,从许多方面和VaR方法,预测精度等训练收敛速度和pretraining有或没有样品。相关的实证结果表明,DBN具有更好的经济比BP神经网络预测性能和版本。另一方面,DBN pretrain网络可以有效地使用非标准样品重量参数。因此,DBN是一种更好的操作和管理建模的经济体系,具有优良的实用性和应用程序,并将经济预测领域的推广和应用。
1。介绍
为了正确判断系统经济的趋势,分析宏观调控政策的得失,评估手术质量的经济体系,并正确地制定未来的发展计划和策略,也是指导价值的企业和个人的投资计划1]。特别是今年的开始年“14日五年计划”,中国经济的重要时期,“爬上山脊”和“解决关键问题和转变。“经济压力仍然较大,经济运行和管理面临的不确定因素在增加。在这样一个重要时期,通过建立科学的预测模型,定量地分析了当前的经济发展趋势,利用历史数据预测。然而,大多数的传统经济模型是线性模型2]。这个模型有一定的经济预测能力,但它也有明显的缺点,很难反映出非线性关系广泛存在于经济系统。经济体系非常复杂,许多内部影响因素,强大的组合,时变、非线性等特点,这是非常具有挑战性的经济系统的建模和预测。深度学习体现了学习的特点,并将样本映射到新的空间通过每一层的特征转换促进预测。功能通过深度学习更深刻的本质的数据,所以他们可以有效地提高应用程序的性能,如回归和分类或预测。因此,它具有更实际的意义,建立科学的预测模型通过深度学习3),用历史数据来定量预测系统的当前的经济发展趋势,这是方便经济系统的操作和管理研究。
研究和投资是经济发展的基础,因此它是特别重要的全面而准确地衡量经济福利。在许多基层地区没有类似措施。我们使用培训深入学习模型预测20000年非洲村庄调查他们的资产估计(4]。宏观经济预测可以预测未来的经济形势,也起到定向作用在经济政策的制定和实施,所以其准确性是必需的。在先前的研究有许多预测模型,但他们不使用,因为他们的低精度和狭窄的应用领域。为了更好地预测未来全球经济前景,我们提出一个新的GDP增长预测模型。在实验中,我们收集了70个国家为样本,采用不同的方法来实现高精度模型,即深神经决策树。结果表明,该模型有一个充足的潜在影响的宏观经济政策,创建一个新的方法和突破GDP增长预测(5]。
与传统的机器学习模型相比,深度学习模型具有更好的预测性能,目前它正在发生巨大的变化。然而,没有许多工作在我们实际使用深度学习科学,所以我们迫切需要审查深度学习在各领域的研究,让研究人员和实际经营者知道它的优点,然后鼓励其使用。在这个过程中,我们为他们提供指导和启示在深度学习的业务分析能力6]。本文提出的方法是根据相应的理论需求描述,并采用深度学习模型的解决方案来解决这个问题。然而,深度学习方法在实验中具有良好的实验结果,以及所有提出的方法是基于深度学习方法详细解释的理论模型。
2。深度学习
2.1。神经网络
人类的大脑是由数百亿的神经。人类的大脑并不重叠接收到的信息,但在叠加值之和超过设定的阈值,神经细胞发送自己的能量到其他神经元相连。人类大脑学习通过调节神经元之间的连接的数量和强度。在机器学习领域,根据神经系统神经网络模型结构和人类大脑的工作机制,适合多元素的非线性模糊问题,如分布式内存、并行计算和自适应学习能力(7]。因此,特别适用于研究领域的系统经济运行和管理。
与以前的方法相比,深度学习领域的已经大大提高声音,图像和模式识别8]。这是不可分割的一部分,学习多种功能,和每个层次学习的形式特性表达式。近年来,深的信念网络已经广泛应用,取得了非常好的结果9]。为了更好地理解第二章,这一章提供了BP神经网络的基本原理和相信网络。
2.2。BP神经网络的原则
1989年,罗伯特·证明存在的连续函数在闭区间可以近似表示为BP神经网络(包括隐藏层10,11),因此BP神经网络包括三层允许建设从任意输入(m-dimension)输出(n维)如图1。
BP算法是最常用的算法在神经网络模型的学习。BP算法是基于监督学习算法(12,13]。
具体过程如下:
神经网络是一种假设我输入单元和一个K输出单元,隐含层是一层,J单位共享。平方误差的总和的公式如下。
在这里, 神经元的实际输出值吗k在输出层;预期的输出神经元的价值吗k在输出层;和隐层神经元的输出值吗j。
为E值,以达到理想的目标价值,有必要改变网络的权重值。首先,调整隐层和输出层之间的连接权值。
在上面的公式中,梯度法获得的价值之间的连接权重的调整值隐层和输出层。
在上面的公式η是正常价值,它表示为迭代步骤。
以类似的方式,你可以调整加入输入层和隐层之间的权重。公式调整:
在上面的公式中,的调整金额是确定输入层和隐层之间的连接权重梯度法。它可以得到以下公式:
当有样品,如果有的话P训练样本,总误差总和的上述计算方法被定义为形式
只要重复操作P如上所述,样品Ep达到最低要求值,算法结束。
2.2.1。BP神经网络的传播
两个节点之间的连接权重节点的抵消每个节点的输出值和计算节点的输出值基于上一层中的所有节点和当前层的偏移量。计算如下: 在哪里f激活函数,通常是乙状结肠功能:
在BP神经网络中,只有网络的输入层没有偏见。
2.2.2。误差反向传播
与正向传播相比,误差的反向传播是复杂的和基于Widrow-Hoff规则。如果输出的结果被定义为输出层d,下面的误差函数定义:
通过不断修改权重矩阵和偏移量,BP神经网络正逐渐减少,以减少误差函数。
2.2.3。神经网络的缺点
BP神经网络被广泛使用,但它也有一些缺点16]:(1)很容易陷入局部最小值,不能获得全球最低。因为有很多极限在网络,很容易进入局部最小值。对于这个问题,更好的初始化是必要的,但很难得到一个好的初始值。(2)培训期间的学习效率很低,还很长,直到结束的网络。(3)隐藏层和隐层神经元的数量在每个都缺乏有效的理论指导。
BP神经网络隐层包括可以逼近任意函数的理论,但它没有实际应用效果好。
2.3。深度信念网络原理(DBN)
深度信念网(DBN)不同于神经网络属于前面的判别模型,这是一个概率生成模型。概率生成模型计算P(观察标签)和P(标签观察),而建模样本和标签之间的合作分布,以及判别模式只计算(标签观察)。
2.3.1。原则1深度信念网(DBN)
深度信念网(DBN)可以获得神经元之间的连接权值的迭代优化,并根据基准可以生成训练网络的最大概率如图2:
DBN由限制玻耳兹曼机(元)。DBN是每一层的训练。在培训过程中,输入层是输入层的第一个元在遏制单位,和输出层的第一个元的输入层第二遏制。推理是由每个层。
遏制的结构如图3。
2.3.2。DBN训练过程
遏制的训练过程基本上是找到最可能的分布的形式生成训练样本(17]。
深度信念网络的训练方法如下:首先,网络的初始重量的训练方法获得每个nonmonitoring层,然后后续网络优化是实现了误差逆调整。(1)培训第一元,直到误差是收敛的(2)固定重量和补偿的遏制训练在前面的步骤中,和计算输出的第二遏制疟疾行动作为输入向量(3)误差收敛之前,输出层的二元训练是整个网络的输出层和输出层的第一个网络作为整个网络的隐层操作(4)重复以上步骤,直到所有的层都训练(5)如果整个网络是一个监督网络标签,重量法用于火车最后一层网络初始化所有连接,和过去输出层神经元的数量是5神经元,这是逐步优化利用误差反向调整算法,直到误差是收敛的
本文提出的模型具有良好的预测效果,实际应用。从实验中,DBN是更好的建模方法对经济系统操作和管理,具有良好的实用性和适用性,将经济预测领域的推广和应用。
3所示。研究系统经济运行和管理基于深层信念网络
经济系统是一个相对复杂的非线性系统。系统中有很多影响因素,如资源、消费、投资、产业结构。这些因素也影响和限制。高非线性和时变的特点,经济运行和管理带来巨大的障碍。它可以看到从解释在前面的章节中,人工神经网络具有很强的非线性逼近能力。理论研究表明,人工神经网络可以逼近任意非线性函数,可以处理困难的问题,如经济预测。近年来,学术界提出的深层学习方法提供了一个良好的初始值的神经网络通过分层pretraining方法(18,19],它克服了现有的缺点,在一定程度上激发新的活力。
本章着重于几个变量反映F的宏观经济发展,如消费者价格指数(cpi)、财政支出、税收收入,出口总额和进口总额,消费者价格指数(cpi)和进口总额的预测。深度信念网络,神经网络误差传播和媒介self-regression (VAR)验证(20.,深DBN学习方法的预测精度,目标样本容量的限制,训练和学习速度的性能进行了研究。
3.1。建设和经济预测指标体系的选择
使用神经网络或深度学习方法来预测实际的经济,从本质上讲,经济指标之间的高度非线性函数的因变量和自变量的经济指标是通过训练样本学习,并引入新的独立变量的经济指标,使用非线性函数来预测相应的变量的经济指标。由于经济发展的高度非线性的特点,经济指标之间的关系是非常不同的。因此,对于不同的变量的经济指标,应选择合适的自变量经济指标作为输入。选择不同的索引变量预测将有一个伟大的对预测结果的影响。如果所选变量预测指标不能反映经济目标我们要预测和不能达到最好的算法,我们只能评估足够的独立变量的经济指标根据经验和实验结果。
3.1.1。选择的指标
协议构建上述指标的基本原则,本文选择几个指标,可反映F的地方宏观经济发展,分析他们的相关性,预测他们的时间相关性,并选择一些经济指标与地方经济发展趋势密切相关。本文提出的经济指标包括公共财政、外贸和居民的生活。本文研究深DBN学习模型的应用领域的经济预测(21,22]。具体指标是税式支出,税收收入,进口总额、出口总额和消费者价格指数(cpi)。
3.2。选择和预处理的数据样本
本文基于上述指数的建设原则,收集相关的源数据和建立相关的经济预测指标体系。本文中使用的源数据来自中国经济数据库。数据收集的时间跨度是F的经济数据从2005年1月至2015年2月。源数据收集的指标主要包括区域经济发展的重要索引数据,如财政收入、总进口,总出口和消费价格指数。选择上面的源数据的指标主要是考虑到相关指标的数据在此期间相对完整,基本上可以满足训练和测试样本数量。请参考表1为特定的源数据。
上述经济指标的绝对数量和整体趋势随时间变化类似于线性单调曲线。如果上述的绝对值指标直接作为经济预测的指标数量,他们很少出现在过去的数字位置由于单调,也就是说,历史不会重演。因此,本文以每个经济指标的增长速度作为输入和输出的经济预测函数,具体经济指标的绝对数量的预测是预测增长率的转换。本文相应的增长率计算公式得到的绝对数量经济指标如下: 在哪里t时间价值;xt和xt - 1是一定经济指数的绝对数量在当前时刻和前一时刻;yt这个经济指标的增长速度在当前时间。
使用这个公式,我们可以得到每个经济指标的增长速度表1。
此外,由于不同的经济指标或他们的增长率有不同的采集范围,输入大量的神经网络的数值范围或深网络通常需要在[0,1]或[1]。因此,这篇论文规范化获得的经济指标的增长速度在(11)。本文的最大和最小值采用归一化法,和所有索引的增长率是[0,1]规范化。最大值对应于最小值对应于1和0。具体的归一化公式如下。 在哪里y_nor是归一化指数增长率数据;max (y)是指数增长速度的最大值;和最小值(y)是最低的指数增长率。
3.3。模型参数设置和模型训练和学习
在这项研究中,DBN学习方法,BP神经网络和VAR方法用于预测F的消费者价格指数,但DBN深学习方法采用单隐层网络(23]。输入层神经元的数量是30,隐层神经元的数目是15,和输出层神经元的数量是1。网络结构如图4。
3.3.1。样本集
在本文中,我们使用两个培训组:标准样品培训组和非标准样品组。标准样品包括变量和参数设置对。为了区分标记样本和未标记样本集,使用大写字母A和B,分别T1,T2样本集的样本数量。
3.3.2。DBN网络权重的初始化
对比散度算法用于pretrain输入层和隐层之间的权值元素获得初始权重。pretraining CD算法的过程不需要添加变量样本输出,即未取样的集选为pretraining样本。因为只有提供输入变量,输出变量。
3.3.3。重量的DBN学习网络
初始化后,DBN网络可以通过BP算法和持续更新权重样本集训练,和相应的参数可以通过智能优化算法优化(24,25]。居民消费价格指数的预测研究F省仍处于初级阶段。与启动阶段,不需要在启动时输出变量。BP算法需要参与输出变量。权重pretraining阶段只对BP训练提供最好的初始值。BP的参数权重更新阶段0.001步骤,1000重复,50批次。
3.3.4。重学习的BP神经网络
在这项研究中,BP神经网络采用相同的训练样本和DBN网络结构。BP神经网络的权值初始化随机在引导阶段,和权重更新错误再现算法。
4所示。实验
4.1。之间的性能比较DBN深度学习模型和BP神经网络
等参数确定网络权值,也就是说,一个固定的预测模型。为了比较两种模型的建模性能,上述两个模型用于培训在这个实验中。网络输出标准化的增长率y_nor和转换的公式y_nor入增长率如下:
在这里,y_nor是归一化增长率;y增长率;max (y)的最大增长率指标;分钟(y)是指数增长速度的最小值。
以下4.4.1。预测结果的比较
DBN深度学习模型比BP神经网络模型,即DBN比英国石油公司更好的建模方法。与VAR模型相比,DBN深学习模式能更有效地预测增长率的变化,和VAR往往学习慢的线性映射图5。
图5表明,预测DBN和BP值偏离实际的增长率在某种程度上在当地的高频振荡,但整体经济增长率变化趋势,预测的值可以有效地跟踪实际值的改变行为,既反映了DBN深度学习模型和BP神经网络模型可以有效地建立非线性模型对经济预测问题。
使用消费者价格指数的预测增长率的F, F的居民消费价格指数的预测价值省下个月可以从(计算13)。
在这里,目前预计值指标;是实际的索引值之前的一刻;和目前预计增长率指标。
F的消费者价格指数(cpi)省的结果从2014年6月到2015年2月预测的公式(13)如图6:
数据6和7表明,与BP神经网络模型和版本模型相比,DBN深度学习的模型可以更准确地预测F的消费者价格指数(cpi)和进口增长率。
预期的进口增长率可以用来计算在下个月的进口总额。图8显示了一个比较预计总进口和进口总额的实际价值从2014年6月到2015年2月,根据不同的方法。
4.1.2。定量预测精度的比较
为了定量比较DBN的预测性能,BP和VAR,以下三个指标是用来确定预测精度。定义公式如下。
预测精度的比较结果DBN,英国石油(BP)和VAR模型如表所示2。大胆的数据显示相对应的指标最合适的方法。
表的三种方法2有小错误,可以预测F省的居民消费价格指数与某些精度,反映出物价指数的变化行为。其中,DBN执行最好的平均绝对误差(MAE)和相对误差,反映出优秀的DBN的预测精度。
根据图6,预测期从2014年6月到2015年2月,和实际消费价格指数F的省份略有降低,趋于稳定。DBN模型的预测结果可以更紧密地跟踪根据消费者物价指数的下行趋势F省在前六个月,这与实际情况是一致的。英国石油(BP)和VAR预测显示,在今年前7个月,消费者价格指数F的省将遵循一个下降的趋势,这与实际情况不同。前者是有利于政府立即防止通胀,而后者可能会失去控制的通货膨胀。
从表3,我们可以看到,绝对平均误差(MAE)、均方误差(MSE)和DBN的平均相对误差小于其他两种方法。DBN不仅有一个相对正确的平均预测水平,但也有一个小的误差范围。为什么所有的指标都低于消费价格指数是总进口基地大,预测误差很大。此外,进口总额的变化是非常大的,这是很难预测的。因此,相对误差也很大。
4.1.3。收敛速度比较
图9显示了DBN的误差收敛曲线深度学习模型和BP神经网络在训练和学习阶段。收敛速度而言,DBN速度比BP神经网络,减少波动。这主要是因为pretraining和学习方法采用DBN提供一个良好的网络初始值。另一方面,因为BP神经网络使用随机参数初始化网络,误差曲线的起点就高,收敛时间变得更长,可能发生波动,这也是原因之一BP预测性能的退化。VAR不需要重复培训和学习,所以没有收敛速度问题。
图10显示了DBN的收敛曲线和BP训练F省进口总量的预测模型。DBN有更快的收敛速度,更高的收敛精度和更好的实用性。
本文的预测结果表明,该模型可以更准确地预测F省的现象,消费者价格指数在2014年下半年略有下降,并预测减少后的稳定的波动状态。提前预测这种下降的趋势,政府可以提前估计当前政策调整的影响,以便维持或调整当前货币政策和消费者价格指数保持在一个稳定的水平。
从本文的实验结果,通过使用不同的深度学习模型获得的结果有明显的优势。几个模型的仿真结果进行了分析和预测精度方面的相比,训练收敛速度,pretraining有或没有样品,等。结果表明,DBN具有一定的优势。本文介绍的科学意义深度学习模型来预测经济运行和管理的效率。因此,科学研究具有重要意义,可以发现经济发展过程中存在的问题,反映了居民的消费和生活指数的变化。
5。结论
本文模型可以更准确地预测进口总额的下降,因此,相关管理部门可以提前研究对策。尽管企业经理防止进口量的减少对企业经营的影响,企业依赖进口必须事先计划为了维持企业的正常生产经营和市场供应。另一方面,为了防止从影响进口商品价格的下降和经济变量在当地市场,政府管理者应该尽快采取反制措施。积极采取措施保护企业和消费者从进口减少的影响。具体来说,对企业来说,进口总额预计将减少。通过进一步分析,我们可以调查的原因可能的进口总额下降。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。